深度转移学习模型的比较研究,用于人类介质细胞干细胞显微镜的语义细分
Maksim Solopov1, Elizaveta Chechekhina2, Anna Kavelina1
1V.K. Gusak Institute of Emergency and Reconstructive Surgery, 283045 Donetsk, Russia.
International journal of molecular sciences
|March 13, 2025
概括
这项研究比较了四个神经网络模型,用于对人间介质干细胞 (MSC) 微图进行细分. U-Net实现了最高的准确性,使其成为实验室中自动化细胞培养分析的理想选择.
科学领域:
- 生物医学工程 生物医学工程
- 细胞生物学 细胞生物学
- 计算机科学 计算机科学
背景情况:
- 人类介质干细胞 (MSC) 的准确细分对于细胞生物学研究至关重要.
- 手动分析细胞显微镜是耗时的,容易变化.
- 使用深度学习的自动细分方法可以提高效率和一致性.
研究的目的:
- 为了比较评估U-Net,DeepLabV3+,SegNet和Mask R-CNN用于MSC微图的语义细分的性能.
- 确定最有效的深度学习模型来自动化MSC图像分析.
主要方法:
- 使用了320张专家注释的人类MSC微图的数据集.
- 四个语义细分模型 (U-Net,DeepLabV3+,SegNet,Mask R-CNN) 使用转移学习与ImageNet预先训练的权重进行训练.
- 模型的性能是使用Dice系数和Jaccard指数指标进行评估的.
主要成果:
- U-Net表现出卓越的细分精度,子系数为0.876和贾卡德指数为0.781.
- DeepLabV3+和Mask R-CNN也实现了高性能,表现优于SegNet.
- 在评估的模型中,SegNet产生的细分结果最不准确.
结论:
- 该U-Net模型是高度有效的,并推用于自动语义细分的人类介质干细胞显微镜.
- 实施U-Net可以显著简化生物医学实验室的常规细胞培养分析.
- 这种自动化有助于在细胞生物学中进行更有效,更可靠的研究.
